Benutzer: Gast  Login
Originaltitel:
Learning Sparse Data Models via Geometric Optimization with Applications to Image Processing 
Übersetzter Titel:
Erlernen Spärlicher Datenmodelle mittels Geometrischer Optimierung und Deren Anwendung in der Bildverarbeitung 
Jahr:
2013 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Elektrotechnik und Informationstechnik 
Betreuer:
Kleinsteuber, Martin (Prof. Dr.) 
Gutachter:
Kleinsteuber, Martin (Prof. Dr.); Elad, Michael (Prof., D.Sc.); Steinbach, Eckehard (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
Stichworte:
sparse data modelling, image processing, dictionary learning, analysis operator learning, analysis model 
Übersetzte Stichworte:
Bildverarbeitung, Datenmodelle, Analyse Modell, Dictionary Learning, Analyse Operator Learning 
Kurzfassung:
This thesis investigates the problem of learning sparse data models and their applications to image processing, regarding both the synthesis and the analysis point of view. Two algorithms called Separable Dictionary Learning (SeDiL) and Geometric Analysis Operator Learning (GOAL) are introduced, which are based on geometric optimization on manifolds. These general models are used to tackle the classical inverse problems of image denoising, inpainting, and superresolution. In addition, an extensi...    »
 
Übersetzte Kurzfassung:
Diese Arbeit befasst sich mit dem Erlernen spärlicher Datenmodelle und deren Anwendung in der Bildverarbeitung, sowohl bezüglich des Synthese- als auch des Analyseansatzes. Hierfür werden zwei Algorithmen vorgestellt, Separable Dictionary Learning (SeDiL) und Geometric Analysis Operator Learning (GOAL), die auf geometrischen Optimierungsverfahren auf Mannigfaltigkeit basieren. Diese allgemeinen Modelle werden zur Lösung klassischer inverser Probleme der Bildverarbeitung wie Denoising, Inpainting...    »
 
Mündliche Prüfung:
18.12.2013 
Dateigröße:
5659518 bytes 
Seiten:
153 
Letzte Änderung:
21.02.2014